Identifying rehabilitation needs as part of secondary prevention in individuals with atrial fibrillation—a Delphi consensus study
Notice bibliographique
Résumé
AIM: This study aimed to establish general consensus on a systematic needs assessment model to determine eligibility for cardiac rehabilitation (CR) as part of secondary prevention in individuals with atrial fibrillation (AF). Specific objectives included identifying relevant needs assessment criteria and establishing consensus on referral criteria. METHODS: A Delphi study was conducted following the ACCORD guidelines (ACcurate COnsensus Reporting Document) with participation of an international, multi-disciplinary expert panel including physicians, nurses and other healthcare professionals, across primary and secondary care as well as academic research. The panel also included six people who had AF themselves. The Delphi process involved three iterative rounds of surveys and a video meeting to determine needs assessment criteria and facilitate consensus. Data collection included qualitative feedback and quantitative voting on proposed criteria. RESULTS: Sixty-nine experts participated. There was high agreement on the importance of the study, which identified 12 needs assessment criteria related to AF symptom burden, health-related quality of life, anxiety, medicine adherence, and various risk factors. Whilst there was agreement on the needs assessment model, experts noted that referral criteria should be flexible and tailored to local healthcare settings, emphasizing that each individual's situation is unique. CONCLUSION: This Delphi study established a needs assessment model that can be adapted to local contexts for individuals with AF. More research is needed to refine referral criteria and ensure effective implementation of individually tailored CR strategies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».